해수면 온도 예측을 위한 심층 신경망: 개요 및 소개

링크 표

• 초록 및 소개
• 배경
• 제안된 방법
• 실험 결과 및 분석
• 결론 및 향후 연구
• 참고자료

추상적인

전통적으로 수치 모델은 해양학 연구에서 물리적 방정식을 표현하여 해양 역학을 시뮬레이션하기 위해 배포되었습니다. 그러나 해양 역학과 관련된 많은 요인들이 잘못 정의된 것 같습니다. 우리는 관측된 데이터로부터 물리적 지식을 전달하면 해수면 온도(SST)를 예측할 때 수치 모델의 정확도를 더욱 향상시킬 수 있다고 주장합니다. 최근 지구관측 기술의 발전으로 인해 데이터의 양이 엄청나게 증가하고 있습니다. 따라서, 지속적으로 증가하는 역사적 관측 데이터를 활용하여 수치 모델을 개선하고 보완할 수 있는 방법을 모색하는 것이 필수적입니다. 이를 위해 역사적 관측에서 얻은 물리적 지식을 수치 모델로 전달하는 SST 예측 방법을 소개합니다. 특히 우리는 인코더와 GAN(Generative Adversarial Network)의 조합을 사용하여 관찰된 데이터에서 물리적 지식을 캡처합니다. 그런 다음 수치 모델 데이터는 사전 훈련된 모델에 입력되어 물리학이 강화된 데이터를 생성하며, 이 데이터는 SST 예측에 사용될 수 있습니다. 실험 결과는 제안된 방법이 여러 최첨단 기준선과 비교할 때 SST 예측 성능을 상당히 향상시키는 것을 보여줍니다.

색인 용어 - 해수면 온도, 물리적 지식, 생성적 적대 네트워크, 수치 모델

I. 소개

N UMERICAL 모델은 해양 역학 예측을 위한 전통적인 수학적 계산 방법이었습니다. 세계기후연구프로그램(WCRP)의 통계에 따르면 연구계는 40개 이상의 해양 수치 모델을 개발했으며 각 모델은 고유한 장점과 특징을 가지고 있습니다. 예를 들어, 지역 해양 모델 시스템(ROMS)[1]은 강력한 생태학적 인접 모듈을 가지고 있으며, 빠른 해양 대기 모델(FOAM)[2]은 전지구 해양-대기 결합 연구에 매우 효과적이며, 유한 체적 해안 해양 모델은 (FVCOM) [3]은 해안선 경계와 해저 지형을 정확하게 맞출 수 있습니다. 하이브리드 좌표 해양 모델(HYCOM)[4]은 세 가지 종류의 자체 적응 좌표를 구현할 수 있습니다. 이러한 수치 모델은 상호 교환이 불가능하며 그 사용은 특정 응용 분야에 따라 다릅니다. 수치 모델에 기술된 해양 역학의 다양한 과정은 단순화된 방정식과

바다에 대한 우리의 제한된 이해로 인해 매개변수가 발생합니다. 실제 바다의 움직임과 변화는 너무 다양하고 복잡해서 특정 현상의 원인을 식별하는 것이 정말 어렵습니다. 그러므로 역사적 데이터로부터 새로운 관계나 지식을 찾는 것은 해양 역학 연구에서 수치 모델의 성능을 향상시키는 데 매우 중요합니다. 본 논문에서는 수치모델을 개선할 수 있는 능력을 물리적 지식이라 부른다. 우리는 역사적 데이터가 지금까지 발견되지 않은 물리적 지식을 보유하고 있을 수 있다고 가정합니다.

딥러닝은 매우 복잡한 기능을 학습하여 원본 데이터를 훨씬 더 높은 수준의 추상화로 변환하는 놀라운 능력을 가지고 있습니다. [5]에서는 Lecun et al. 딥 러닝의 기본 원리와 주요 이점을 설명했습니다. 최근 딥러닝은 해양 생물 다양성 모니터링[6-7], 소나 이미지에서 표적 식별[8-9], 해빙 농도 예측[10] 등 다양한 작업에 적용되고 있습니다. 예를 들어, Bermant et al. [6]은 향유고래 음향 데이터에서 생성된 스펙트로그램을 분류하기 위해 CNN(컨볼루션 신경망)을 사용했습니다. Allkenet al. [7]은 데이터 증강 훈련을 위해 합성 데이터를 활용하여 어종 분류를 위한 CNN 모델을 개발했습니다. Limaet al. [8]은 과거 데이터에 대해 훈련된 심층 CNN 모델에서 지식을 추출하여 자동 해안 인식을 위한 심층 전이 학습 방법을 제안했습니다. Xu et al. [9]는 소나 난파선 감지를 위해 심층 생성 네트워크와 전이 학습을 결합한 접근 방식을 제시했습니다. Renet al. [10]은 높은 정확도로 일주일 전에 해빙 농도를 예측할 수 있는 완전 컨볼루션 네트워크를 갖춘 인코더-디코더 프레임워크를 제안했습니다. 해양 연구에 딥러닝 기반 방법을 적용함으로써 분류 및 예측 성능 측면에서 상당한 개선이 이루어졌습니다.

수치모델의 물리적 지식이 불완전하고 신경망의 일반화 성능이 취약하여 수치모델과 신경망의 장점을 결합하여 예측 성능을 향상시키려는 노력이 이루어지고 있다. 지리학에서 이는 세 가지 다른 방법으로 달성될 수 있습니다[11]: 1) 신경망을 통해 수치 모델의 매개변수를 학습합니다. 신경망은 상세한 고해상도 모델에서 관찰된 장면을 최적으로 설명할 수 있지만 많은 매개변수를 추론하기 어려워 추정이 어렵습니다. Brenowitzet al. [12]는 통합 물리학 매개변수화를 기반으로 심층 신경망을 훈련하고 복사 및 적운 대류의 영향을 설명했습니다. 2) 수치 모델을 신경망으로 대체합니다. 이러한 방식으로 심층 신경망 아키텍처는 지정된 물리적 일관성을 포착할 수 있습니다. Pannekouckeet al. [13]은 플러그 앤 플레이 도구를 사용하여 물리적 방정식을 신경망 아키텍처로 변환했습니다. 3) 수치 모델과 관측 데이터 간의 출력 불일치를 분석합니다. 신경망을 사용하면 모델 부정확성의 패턴을 식별, 시각화 및 이해하고 모델 편차를 동적으로 수정할 수 있습니다. Patilet al. [14]는 수치 모델의 결과와 관측 데이터 간의 불일치를 적용하여 해수면 온도(SST)를 예측하기 위한 신경망을 훈련했습니다. Hamet al. [15]는 전이 학습을 기반으로 컨볼루션 신경망을 훈련했습니다. 먼저 수치 모델 데이터로 모델을 훈련한 다음 재분석 데이터를 사용하여 모델을 보정합니다. 그러나 세 번째 접근 방식은 예측 일자가 늘어날수록 예측 성능이 저하되는 장기 편향 문제가 있는 것으로 나타났습니다.

위의 문제를 해결하기 위해 본 연구에서는 그림 1과 같이 생성적 적대 신경망(GAN)을 사용하여 과거 관측 데이터의 물리적 지식을 수치 모델 데이터로 전달합니다. 방법은 수치 모델 데이터의 물리적 부분을 수정하여 예측 성능을 향상시킬 수 있습니다. 구체적으로 그림 2와 같이 먼저 인코더와 GAN으로 구성된 기존 네트워크 모델을 사용하여 관찰된 데이터로부터 물리적 특징을 획득했습니다. 그 후, 사전 훈련된 모델에 수치 모델 데이터를 공급하여 물리학이 강화된 SST를 얻었습니다. 그 후, SST를 예측하기 위한 시공간 모델을 훈련하기 위해 물리학이 강화된 SST가 채택되었습니다. 한편, 새로 생성된 데이터를 최대한 활용하기 위해 절제 실험을 수행했습니다.

이 문서의 주요 기여는 세 가지입니다.

• 우리가 아는 한, 우리는 SST 예측을 위해 GAN을 사용하여 과거 관측 데이터의 물리적 지식을 수치 모델 데이터로 전달한 최초의 기업입니다.

• 물리적 지식을 기반으로 강화된 데이터와 예측 결과의 차이를 활용하여 훈련 중 모델의 가중치를 조정했습니다.

• 실험 결과는 제안한 방법이 수치 모델의 물리적 지식 부족을 보완하고 예측 정확도를 향상시킬 수 있음을 나타냅니다.

나머지 논문은 다음과 같이 구성된다. 섹션 II에서는 우리 방법과 관련된 문헌 검토를 소개하고, 섹션 III에서는 방법 설계에 대해 자세히 설명합니다. 그런 다음 실험 결과를 섹션 IV에 표시합니다. 섹션 V는 마지막으로 본 논문을 마무리한다.